Open In Colab

In [1]:
%%html
<style>
  table {margin-left: 0 !important;}
</style>

Trabalho em Grupo

(até 4 integrantes)

  • Curso: FGV MBA - Business Analytics and Big Data
  • Disciplina: Modelagem Estatística Avançada
  • Professor: Rodrigo Marotti Togneri

Alunos

Github Nome Matricula E-mail
Daniel Campos A57635769 daniel.ferraz.campos@gmail.com
Leandro Daniel A57622988 contato@leandrodaniel.com
Rodrigo Goncalves A57566093 rodrigo.goncalves@me.com
Ygor Lima A57549661 ygor_redesocial@hotmail.com

Enunciado

Escolha um dentre os seguintes datasets:

  • Gas Prices in Brazil 2004-2019 (compartilhado em sala de aula)
  • Outro da preferência do grupo.

Para o dataset escolhido, deve-se:

  1. CONTEXTO: Contextualizar brevemente os dados (de que tratam os dados? 1 parágrafo entre 5 e 10 linhas).

  2. QUESTÕES DE NEGÓCIO: Estabelecer uma questão relevante a ser respondida.

  3. MONTAGEM DE DATASET: Montar o(s) dataset(s) final(is) para responder as questões.

  4. CARACTERIZAÇÃO DE DATASETS: Caracterizar as colunas (nome, tipo, significado).

  5. VISUALIZAÇÃO E DISCUSSÃO:

    a. Gerar plots que permitam tirar conclusões claras dos dados (a questão deve ser suficientemente complexa para que exija minimamente dois gráficos distintos complementares).

    b. Os gráficos devem ser interpretados e discutidos, e as conclusões acerca dos mesmos e das questões de negócio devem ser apresentadas

  6. CONCLUSÕES: Relembrar a questão levantada e sumarizar as conclusões obtidas.

    O trabalho deverá ser desenvolvido em Jupyter notebook e deverá ser entregue na data combinada com o professor em formato .ipynb já rodado e com outputs salvos no arquivo entregue. Organize o documento de modo que ele esteja dividido nas 6 seções propostas acima.

Respostas

1. CONTEXTO: Contextualizar brevemente os dados (de que tratam os dados? 1 parágrafo entre 5 e 10 linhas).

Escolhemos trabalhar com o dataset fornecido referente ao histórico de preços de combustíveis de 2004 a 2019.

A ANP (Agencia Nacional de Petróleo) publica semanalmente relatórios de Gás, Diesel e outros combustíveis usados no país.

Esta publicação traz o valor médio, mínimo e máximo, de revenda e distribuição, por unidade de medida padrão de cada combustível, agrupados por região e unidade da federação.

O conjunto de dados apresenta os preços de revenda e distribuiçao, (médio, mínimo e máximo), em periodicidade semanal para os seguintes produtos:

  • ETANOL HIDRATADO
  • GASOLINA COMUM
  • GLP
  • GNV
  • ÓLEO DIESEL
  • ÓLEO DIESEL S10

Além dos preços de revenda e distribuiçao, (médio, mínimo e máximo), o conjunto de dados apresneta algumas informações adicionais:

  • Número de postos pesquisados
  • Unidade de medida
  • Desvio padão
  • Margem média
  • Coeficientes de variação

2. QUESTÕES DE NEGÓCIO: Estabelecer uma questão relevante a ser respondida.

Avaliar o comportamentos dos preços de combustíveis considerando informacões adicionais como cotação internacional do barril de petroleo, localidade, movimentações políticas internas e alterações da política de preços praticados pela Petrobras.

3. MONTAGEM DE DATASET: Montar o(s) dataset(s) final(is) para responder as questões.

Vamos iniciar pela importação dos dados em um pandas dataframe.

Neste passo nos preocupamos de definir os nomes das variáveis bem como o correto data type de cada coluna.

In [2]:
import pandas as pd
import numpy as np

pd.set_option('display.max_rows', 30)
pd.set_option('display.max_columns', 30)
pd.set_option("display.precision", 3)
pd.set_option('display.expand_frame_repr', False)

dtype = {'INDEX': np.int32, 
         'DATA INICIAL': np.object, 
         'DATA FINAL': np.object,
         'REGIÃO': 'category', 
         'ESTADO': 'category', 
         'PRODUTO': 'category',
         'NÚMERO DE POSTSOS PESQUISADOS': np.int32, 
         'UINDADE DE MEDIDA': 'category', 
         'PREÇO MÉDIO REVENDA': np.float64,
         'DESVIO PADRÃO REVENDA': np.float64, 
         'PRECO MÍNIMO REVENDA': np.float64, 
         'PRECO MÁXIMO REVENDA': np.float64,
         'MARGEM MÉDIA REVENDA': np.float64, 
         'COEF DE VARIAÇÃO REVENDA': np.float64, 
         'PREÇO MÉDIO DISTRIBUIÇÃO': np.float64,
         'DESVIO PADRÃO DISTRIBUIÇÃO': np.float64, 
         'PREÇO MÍNIMO DISTRIBUIÇÃO': np.float64, 
         'PREÇO MÁXIMO DISTRIBUIÇÃO': np.float64,
         'COEF DE VARIAÇÃO DISTRIBUIÇÃO': np.float64}

df_prices = pd.read_csv('https://raw.githubusercontent.com/ldaniel/Advanced-Statistical-Modelling/master/data/raw/data_gasPricesBR_2004-2019.tsv', 
                        sep = '\t',
                        dtype = dtype,
                        names = list(dtype),
                        skiprows = 1,
                        usecols = list(dtype),
                        index_col = 'INDEX',
                        na_values = ['-'],
                        parse_dates = ['DATA INICIAL', 'DATA FINAL'])

df_prices.head()
Out[2]:
DATA INICIAL DATA FINAL REGIÃO ESTADO PRODUTO NÚMERO DE POSTSOS PESQUISADOS UINDADE DE MEDIDA PREÇO MÉDIO REVENDA DESVIO PADRÃO REVENDA PRECO MÍNIMO REVENDA PRECO MÁXIMO REVENDA MARGEM MÉDIA REVENDA COEF DE VARIAÇÃO REVENDA PREÇO MÉDIO DISTRIBUIÇÃO DESVIO PADRÃO DISTRIBUIÇÃO PREÇO MÍNIMO DISTRIBUIÇÃO PREÇO MÁXIMO DISTRIBUIÇÃO COEF DE VARIAÇÃO DISTRIBUIÇÃO
INDEX
0 2004-05-09 2004-05-15 CENTRO OESTE DISTRITO FEDERAL ETANOL HIDRATADO 127 R$/l 1.288 0.016 1.19 1.350 0.463 0.012 0.825 0.110 0.420 0.967 0.133
1 2004-05-09 2004-05-15 CENTRO OESTE GOIAS ETANOL HIDRATADO 387 R$/l 1.162 0.114 0.89 1.449 0.399 0.098 0.763 0.088 0.501 1.050 0.115
2 2004-05-09 2004-05-15 CENTRO OESTE MATO GROSSO ETANOL HIDRATADO 192 R$/l 1.389 0.097 1.18 1.760 0.419 0.070 0.970 0.095 0.561 1.161 0.098
3 2004-05-09 2004-05-15 CENTRO OESTE MATO GROSSO DO SUL ETANOL HIDRATADO 162 R$/l 1.262 0.070 1.09 1.509 0.432 0.055 0.830 0.119 0.599 1.222 0.143
4 2004-05-09 2004-05-15 NORDESTE ALAGOAS ETANOL HIDRATADO 103 R$/l 1.181 0.078 1.05 1.400 0.240 0.066 0.941 0.077 0.744 1.032 0.082

Vamos utilizar a biblioteca pandas-profiling para verificar algumas caracteristicas adicionais do dataset.

conda install -c conda-forge pandas-profiling=2.3.0

Latest release

In [3]:
#!conda install -c conda-forge pandas-profiling=2.3.0
import pandas_profiling as pp
In [4]:
%%time
profile = df_prices.profile_report(style = {'full_width':True}, title = 'Brasil Histórico de Preços de Combustíveis',
                                     check_recoded = False,
                                     check_correlation_pearson = False,
                                     check_correlation_cramers = False,
                                     missing_diagrams = {
                                         'bar': False,
                                         'matrix': False,
                                         'heatmap': False,
                                         'dendrogram': False})
profile

Wall time: 2min 5s
Out[4]:





















Agora podemos enriquecer os dados extraindo da DATA INICIAL informações como ano, mês e semana.













In [5]:



    


df_prices['ANO'] = pd.DatetimeIndex(df_prices['DATA_INICIAL']).year
df_prices['MES'] = pd.DatetimeIndex(df_prices['DATA_INICIAL']).month
df_prices['SEMANA'] = pd.DatetimeIndex(df_prices['DATA_INICIAL']).week
df_prices[['DATA_INICIAL', 'DATA_FINAL', 'ANO', 'MES', 'SEMANA']]



    















    
Out[5]:











  
    

      
      DATA_INICIAL
      DATA_FINAL
      ANO
      MES
      SEMANA
    

    

      INDEX
      
      
      
      
      
    

  
  
    

      0
      2004-05-09
      2004-05-15
      2004
      5
      19
    

    

      1
      2004-05-09
      2004-05-15
      2004
      5
      19
    

    

      2
      2004-05-09
      2004-05-15
      2004
      5
      19
    

    

      3
      2004-05-09
      2004-05-15
      2004
      5
      19
    

    

      4
      2004-05-09
      2004-05-15
      2004
      5
      19
    

    

      ...
      ...
      ...
      ...
      ...
      ...
    

    

      106818
      2019-06-23
      2019-06-29
      2019
      6
      25
    

    

      106819
      2019-06-23
      2019-06-29
      2019
      6
      25
    

    

      106820
      2019-06-23
      2019-06-29
      2019
      6
      25
    

    

      106821
      2019-06-23
      2019-06-29
      2019
      6
      25
    

    

      106822
      2019-06-23
      2019-06-29
      2019
      6
      25
    

  



106823 rows × 5 columns























4. CARACTERIZAÇÃO DE DATASETS: Caracterizar as colunas (nome, tipo, significado).














Vamos avaliar algumas características dos dados importados, como data types de cada variável, missing values,













In [6]:



    


df_prices.info()



    















    






<class 'pandas.core.frame.DataFrame'>
Int64Index: 106823 entries, 0 to 106822
Data columns (total 21 columns):
DATA_INICIAL                     106823 non-null datetime64[ns]
DATA_FINAL                       106823 non-null datetime64[ns]
REGIÃO                           106823 non-null category
ESTADO                           106823 non-null category
PRODUTO                          106823 non-null category
NÚMERO_DE_POSTSOS_PESQUISADOS    106823 non-null int32
UINDADE_DE_MEDIDA                106823 non-null category
PREÇO_MÉDIO_REVENDA              106823 non-null float64
DESVIO_PADRÃO_REVENDA            106823 non-null float64
PRECO_MÍNIMO_REVENDA             106823 non-null float64
PRECO_MÁXIMO_REVENDA             106823 non-null float64
MARGEM_MÉDIA_REVENDA             103392 non-null float64
COEF_DE_VARIAÇÃO_REVENDA         106823 non-null float64
PREÇO_MÉDIO_DISTRIBUIÇÃO         103423 non-null float64
DESVIO_PADRÃO_DISTRIBUIÇÃO       103423 non-null float64
PREÇO_MÍNIMO_DISTRIBUIÇÃO        103423 non-null float64
PREÇO_MÁXIMO_DISTRIBUIÇÃO        103423 non-null float64
COEF_DE_VARIAÇÃO_DISTRIBUIÇÃO    103423 non-null float64
ANO                              106823 non-null int64
MES                              106823 non-null int64
SEMANA                           106823 non-null int64
dtypes: category(4), datetime64[ns](2), float64(11), int32(1), int64(3)
memory usage: 14.7 MB





















Como podemos perceber temos alguns valores faltantes para algumas variáveis













In [7]:



    


df_prices.isnull().sum(axis = 0)



    















    
Out[7]:








DATA_INICIAL                        0
DATA_FINAL                          0
REGIÃO                              0
ESTADO                              0
PRODUTO                             0
NÚMERO_DE_POSTSOS_PESQUISADOS       0
UINDADE_DE_MEDIDA                   0
PREÇO_MÉDIO_REVENDA                 0
DESVIO_PADRÃO_REVENDA               0
PRECO_MÍNIMO_REVENDA                0
PRECO_MÁXIMO_REVENDA                0
MARGEM_MÉDIA_REVENDA             3431
COEF_DE_VARIAÇÃO_REVENDA            0
PREÇO_MÉDIO_DISTRIBUIÇÃO         3400
DESVIO_PADRÃO_DISTRIBUIÇÃO       3400
PREÇO_MÍNIMO_DISTRIBUIÇÃO        3400
PREÇO_MÁXIMO_DISTRIBUIÇÃO        3400
COEF_DE_VARIAÇÃO_DISTRIBUIÇÃO    3400
ANO                                 0
MES                                 0
SEMANA                              0
dtype: int64



















In [8]:



    


# Diversas estatísticas da base
df_prices.describe()



    















    
Out[8]:











  
    

      
      NÚMERO_DE_POSTSOS_PESQUISADOS
      PREÇO_MÉDIO_REVENDA
      DESVIO_PADRÃO_REVENDA
      PRECO_MÍNIMO_REVENDA
      PRECO_MÁXIMO_REVENDA
      MARGEM_MÉDIA_REVENDA
      COEF_DE_VARIAÇÃO_REVENDA
      PREÇO_MÉDIO_DISTRIBUIÇÃO
      DESVIO_PADRÃO_DISTRIBUIÇÃO
      PREÇO_MÍNIMO_DISTRIBUIÇÃO
      PREÇO_MÁXIMO_DISTRIBUIÇÃO
      COEF_DE_VARIAÇÃO_DISTRIBUIÇÃO
      ANO
      MES
      SEMANA
    

  
  
    

      count
      106823.000
      106823.000
      106823.000
      106823.000
      106823.000
      103392.000
      106823.000
      103423.000
      103423.000
      103423.000
      103423.000
      103423.000
      106823.000
      106823.000
      106823.000
    

    

      mean
      233.771
      10.871
      0.657
      9.416
      12.538
      2.225
      0.045
      8.558
      0.559
      7.414
      9.804
      0.047
      2011.802
      6.484
      26.438
    

    

      std
      403.283
      17.753
      1.349
      15.092
      20.841
      4.375
      0.025
      13.603
      1.257
      11.681
      15.933
      0.042
      4.392
      3.443
      15.056
    

    

      min
      1.000
      0.766
      0.000
      0.590
      0.999
      0.001
      0.000
      0.506
      0.000
      0.326
      0.599
      0.000
      2004.000
      1.000
      1.000
    

    

      25%
      42.000
      2.072
      0.072
      1.900
      2.310
      0.282
      0.029
      1.795
      0.047
      1.674
      1.946
      0.021
      2008.000
      4.000
      13.000
    

    

      50%
      104.000
      2.718
      0.114
      2.510
      2.999
      0.383
      0.041
      2.335
      0.077
      2.220
      2.507
      0.030
      2012.000
      6.000
      26.000
    

    

      75%
      243.000
      3.752
      0.191
      3.499
      4.150
      0.560
      0.058
      3.306
      0.151
      3.143
      3.520
      0.061
      2016.000
      9.000
      40.000
    

    

      max
      4167.000
      99.357
      10.748
      90.000
      120.000
      36.847
      0.395
      83.137
      18.385
      83.000
      94.500
      0.780
      2019.000
      12.000
      53.000
    

  






















In [9]:



    


#Mostra todas os produtos da base
df_prices['PRODUTO'].unique()



    















    
Out[9]:








[ETANOL HIDRATADO, GASOLINA COMUM, GLP, GNV, ÓLEO DIESEL, ÓLEO DIESEL S10]
Categories (6, object): [ETANOL HIDRATADO, GASOLINA COMUM, GLP, GNV, ÓLEO DIESEL, ÓLEO DIESEL S10]





















5. VISUALIZAÇÃO E DISCUSSÃO:














a. Gerar plots que permitam tirar conclusões claras dos dados (a questão deve ser suficientemente complexa para que exija minimamente dois gráficos distintos complementares).














Como exemplo podemos avaliar a evolução da média semanal anual dos preços de REVENDA e DISTRIBUIÇÃO da GASOLINA COMUM no estado de SAO PAULO













In [10]:



    


df_gas_sp = df_prices[(df_prices['PRODUTO'] == 'GASOLINA COMUM') & 
                      (df_prices['ESTADO'] == 'SAO PAULO')].groupby(['PRODUTO', 'ESTADO', 'ANO'])

df_gas_sp[['ANO','PREÇO_MÉDIO_REVENDA', 'PREÇO_MÉDIO_DISTRIBUIÇÃO']].describe(include = [np.float64])



    















    
Out[10]:











  
    

      
      
      
      PREÇO_MÉDIO_REVENDA
      PREÇO_MÉDIO_DISTRIBUIÇÃO
    

    

      
      
      
      count
      mean
      std
      min
      25%
      50%
      75%
      max
      count
      mean
      std
      min
      25%
      50%
      75%
      max
    

    

      PRODUTO
      ESTADO
      ANO
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
      
    

  
  
    

      GASOLINA COMUM
      SAO PAULO
      2004
      34.0
      2.047
      0.087
      1.888
      2.030
      2.034
      2.099
      2.205
      34.0
      1.804
      0.082
      1.655
      1.776
      1.798
      1.852
      1.948
    

    

      2005
      50.0
      2.233
      0.087
      2.144
      2.162
      2.191
      2.349
      2.372
      50.0
      1.979
      0.084
      1.893
      1.908
      1.942
      2.087
      2.119
    

    

      2006
      53.0
      2.443
      0.031
      2.383
      2.421
      2.445
      2.458
      2.496
      53.0
      2.175
      0.031
      2.125
      2.144
      2.179
      2.196
      2.226
    

    

      2007
      52.0
      2.414
      0.024
      2.376
      2.393
      2.417
      2.430
      2.458
      52.0
      2.094
      0.042
      2.039
      2.050
      2.086
      2.128
      2.161
    

    

      2008
      52.0
      2.403
      0.006
      2.393
      2.397
      2.402
      2.409
      2.416
      52.0
      2.086
      0.011
      2.071
      2.077
      2.083
      2.094
      2.107
    

    

      2009
      50.0
      2.403
      0.028
      2.353
      2.381
      2.402
      2.420
      2.457
      50.0
      2.087
      0.030
      2.043
      2.059
      2.087
      2.107
      2.140
    

    

      2010
      52.0
      2.463
      0.031
      2.419
      2.433
      2.455
      2.489
      2.538
      52.0
      2.131
      0.033
      2.087
      2.099
      2.119
      2.164
      2.196
    

    

      2011
      52.0
      2.643
      0.078
      2.501
      2.635
      2.662
      2.669
      2.826
      52.0
      2.274
      0.072
      2.176
      2.250
      2.268
      2.276
      2.497
    

    

      2012
      53.0
      2.637
      0.012
      2.610
      2.628
      2.636
      2.643
      2.663
      53.0
      2.256
      0.008
      2.242
      2.250
      2.256
      2.261
      2.276
    

    

      2013
      52.0
      2.736
      0.046
      2.629
      2.711
      2.721
      2.768
      2.837
      52.0
      2.339
      0.041
      2.261
      2.314
      2.325
      2.375
      2.426
    

    

      2014
      52.0
      2.867
      0.024
      2.823
      2.845
      2.861
      2.889
      2.911
      52.0
      2.462
      0.021
      2.429
      2.444
      2.455
      2.480
      2.498
    

    

      2015
      51.0
      3.189
      0.159
      2.905
      3.105
      3.141
      3.232
      3.515
      51.0
      2.770
      0.143
      2.497
      2.713
      2.734
      2.800
      3.061
    

    

      2016
      52.0
      3.499
      0.049
      3.423
      3.455
      3.497
      3.541
      3.600
      52.0
      3.047
      0.054
      2.972
      2.998
      3.043
      3.096
      3.155
    

    

      2017
      53.0
      3.580
      0.180
      3.234
      3.455
      3.604
      3.668
      3.975
      53.0
      3.135
      0.202
      2.771
      2.981
      3.144
      3.257
      3.576
    

    

      2018
      52.0
      4.203
      0.181
      3.970
      4.008
      4.202
      4.336
      4.512
      52.0
      3.760
      0.164
      3.563
      3.620
      3.756
      3.862
      4.085
    

    

      2019
      25.0
      4.120
      0.110
      3.966
      4.012
      4.109
      4.214
      4.287
      25.0
      3.691
      0.149
      3.483
      3.562
      3.713
      3.816
      3.914
    

  
























Podemos visualizar os dados utilizando um gráfico de linha para um determinado ESTADO e PRODUTO.













In [11]:



    


%matplotlib inline

import matplotlib.pyplot as plt
from pandas.plotting import register_matplotlib_converters
register_matplotlib_converters()

plt.style.use('default')
plt.rcParams["figure.figsize"] = (10, 5)
plt.rcParams.update({'font.size': 10})

df_plot = df_prices[(df_prices['PRODUTO'] == 'GASOLINA COMUM') & 
                      (df_prices['ESTADO'] == 'SAO PAULO')]

x = df_plot['DATA_INICIAL']
y = df_plot['PREÇO_MÉDIO_REVENDA']

fig, ax = plt.subplots()

ax.plot(x, y, label = df_plot['PRODUTO'].iloc[0])

plt.title('Histórico de Preço - ' + df_plot['ESTADO'].iloc[0])
plt.legend()

plt.show()



    















    




























Podemos fazer um loop por região e estado e verificar a evoluçao dos preços da GASOLINA COMUM por REGIÃO e ESTADO.













In [12]:



    


regions = df_prices['REGIÃO'].unique()

for region in regions:
    fig, ax = plt.subplots()
    df_plot = df_prices[(df_prices['REGIÃO'] == region) & (df_prices['PRODUTO'] == 'GASOLINA COMUM')]
    estados = df_plot['ESTADO'].unique()
    for estado in estados:
        df_plot_est = df_plot[(df_plot['ESTADO'] == estado)]
        x = df_plot_est['DATA_INICIAL']
        y = df_plot_est['PREÇO_MÉDIO_REVENDA']
        ax.plot(x, y, 
                   label = df_plot_est['ESTADO'].iloc[0],
                   alpha = 0.5)
    plt.legend()
    plt.title('PREÇO MÉDIO REVENDA - ' + df_plot['REGIÃO'].iloc[0] + ' - ' + df_plot['PRODUTO'].iloc[0])
    plt.show()



    















    

















    

















    

















    

















    




























b. Os gráficos devem ser interpretados e discutidos, e as conclusões acerca dos mesmos e das questões de negócio devem ser apresentadas.














Pelos gráficos acima podemos observar similaridade no comportamento das curvas entre os Estados, entretanto o preço médio praticado é diferente para cada região, sendo que o Norte apresentou os maiores preços de revenda. A título de exemplo temos o Estado do Acre com o maior pico de preço no segundo semestre de 2018 como resultado de um pico no preço do barril do petróleo.


Podemos observar que a política de Estado aparenta influenciar no preço médio de revenda dos combustíveis, dado que a partir de 2016 tivemos a entrada de um novo Governo com menor intervenção nos preços do petróleo (https://epbr.com.br/os-principios-e-as-distorcoes-da-politica-de-precos-dos-combustiveis/). 
Além disso notamos que o período de turbulência política aumentou bastante a volatilidade dos preços entre 2014 e 2016 (https://en.wikipedia.org/wiki/Impeachment_of_Dilma_Rousseff). 
Nos dias de hoje a Política adotada pela Petrobrás (https://petrobras.com.br/fatos-e-dados/adotamos-nova-politica-de-precos-de-diesel-e-gasolina.htm) permite maior flexibilidade na gestão comercial de derivados do petróleo, refletindo em curvas menos estáveis, acompanhando o preço internacional do pretróleo, como podemos notar através de inspeção visual (https://www.tradingview.com/symbols/OANDA-BCOUSD/).













In [13]:



    


from IPython.display import Image
PATH = "../../reports/figures/"
Image(filename = PATH + "oil_price.PNG")



    















    
Out[13]:




























6. CONCLUSÕES: Relembrar a questão levantada e sumarizar as conclusões obtidas.














Os dados da ANP com o histórico de preços de combustíveis nos permitiu observar diferenças importantes de preços médios entre os Estados do Brasil, denotando uma desigualdade regional. Adicionalmente podemos observar também que a política de preços mais intervencionista do Estado no período anterior a 2016 fazia com que o preço médio de revenda não acompanhasse a movimentação do preço do barril de petróleo. A partir de 2016, quando políticas mais liberalistas foram implementadas, foi possível observar que o preço médio praticado acompanhou melhor as movimentações do barril do petróleo, muito embora tenhamos notado uma curva com maior inclinação, indicando um aumento de preços mais agressivo do que o praticado internacionalmente.